结合注意力机制与BIM特征的电力能耗预测

能耗预测中引入外因序列有助于目标序列的预测,但在实际应用中各个外因序列与目标序列之间的相关程度往往不清晰,导致无法有效利用多外因序列辅助预测.针对该问题,提出一种结合注意力机制与BIM特征的电力能耗预测模型——BIMAttenNN(BIM Attention Nerual Network).通过结合注意力机制与BIM特征对外因序列自动选取并重构,将重构特征通过编码器-解码器结构的深度神经网络和线性回归分支准确预测未来电力能耗.实验结果表明,BIMAttenNN能够结合BIM特征自动捕捉电力序列间关系,与传统方法相比具有更高的预测精度.     

电力大数据的数据保密技术研究

大数据时代的到来,使得电力行业也逐步步入大数据时代,但数据的共享融合带来也带来巨大的风险。基于电力大数据实验室针对电力行业的数据保密问题进行的研究与分析,介绍了开发的一套"开放分布式环境下电力大数据分析安全防护系统"及相关管理流程和制度,阐述了对电力行业数据保密和信息安全防护的作用。     

改进的并行模糊核聚类算法在电力负荷预测的应用

用户用电典型模式的分类预测是电力负荷预测的重要组成部分。针对单核模糊C均值算法在电力大数据挖掘中不能兼顾预测精度和普适性能好的问题,提出了一种电力短期负荷场景中改进的无监督学习多核模糊C均值聚类算法,建立了双层神经网络的电力数据负荷预测模型对比该改进的算法对电力负荷预测效果的影响。用户数据由MapReduce并行化处理加速。数值实验结果表明:改进的算法在实际电力用户数据集中,具有广泛的适用性和有效性,同时能显著提高电力短期负荷预测的精度。     

基于多维度无监督学习的异常用电检测方法

针对用户异常用电所造成的经济损失,通过对局部离群因子算法的理论分析,提出了“算法异常分析”与“经验法则分析”相结合的异常用电检测系统架构,重点介绍了社群演化异常、群体行为异常、个体功率异常和关联特征异常4个算法,并计算综合异常得分,最后从三相电压电流不平衡校对的角度进一步对“算法异常分析”的结果进行筛选。实验结果表明,与现有的主流异常用电检测方法相比,该方法能够更准确地从电力大数据中诊断出用户的异常用电行为,稽查准确率高达82%。     

基于多核处理器的网络内容并行还原系统

研究现有网络信息内容还原系统实现原理及各种改进策略。根据现有网络信息内容还原系统未充分利用运算资源以及当前多核处理器高度普及的现状,提出基于多核处理器的网络信息内容并行还原系统,将高流量数据包分流到多个处理进程,利用多核处理器的运算资源,从而达到在不添加额外硬件资源的情况下提高处理能力的目的。实验结果表明,该系统可以有效提高网络信息内容还原系统的处理流量。     

电力时间序列的分布式索引算法

时间序列的研究已经被应用到越来越多的领域中.越来越多的领域应用需要索引和分析海量的时间序列,代表性的比如金融,电力,生物信息等等.这类应用往往面临数以亿计的时间序列的处理,然后从中识别出一些隐藏的模式来.然而目前对时间序列的索引技术都是单机版本,需要用漫长的时间来对大量的时间序列进行索引,限制了时间序列分析的产出率.提出了一种基于Isax表达的分布式时间序列索引算法,并在Spark分布式计算框架下实现算法.首先,给出了基于Isax的分布式索引算法的朴素实现想法,指明了其存在的问题.然后提出一种先建立索引结构,再将时间序列哈希到相应叶子节点的分布式索引算法.最终,构建了一个完整的电力时间序列的近邻近似查询系统,再保证查询精确率的前提下大大提高了计算效率.并在实验数据集上证明了算法的正确性、高效性和可扩展性.     

美国最大输油管道停运事件对电网企业网络安全的启示分析

美国最大燃油管道运营商,因受勒索软件攻击,被迫临时关闭其美国东部沿海各州供油的关键燃油网络,导致输油管道停运数日,该事件是已知的对美国能源基础设施的最大网络攻击.对此次由于网络攻击引起能源企业停摆事件的原因开展了分析梳理,并就能源新形势对供电企业网络信息安全防护提出了相关建议.     

基于改进的AdaBoost算法的中压配电网断线不接地故障检测

由于中压配电网变电站常采用中性点不接地方式,所以当线路单相断线后断口两侧的导线均不接地或是非电源侧导线落地等情况发生时,没有明显的故障特征产生,且无法通过变电站内现有的继电保护装置对故障进行检测。为解决这一难题,我们基于配用电信息系统数据和改进的AdaBoost算法,用纯数据驱动的方法,提出一套智能检测配电网断线的系统,可应用于实时的故障检测,这是本文的一大创新之处。其次,我们改进了AdaBoost算法,提出FC-AdaBoost算法(Feature%20Considered%20AdaBoost%20Algorithm),该算法可以改进AdaBoost算法本身无法对特征进行筛选的缺点。我们以华东某地区配用电信息系统中的历史数据为依据进行实际算例分析,证明了该方法比AdaBoost以及其他常用的机器学习算法更具优越性。     

基于人工智能的配电网设备负载预测预警系统设计研究

提出了基于人工智能的配电网设备负载预测预警系统.该系统采用层次聚类法按照历史负载率曲线特征将配电变压器和馈线划分为多类,并为每类构建一个基于Seq2 Seq的负载率预测模型.在此基础上,该系统建立了一个重过载预警框架,筛选出未来短期存在重过载风险的配电网元件.测试结果显示,负载率预测的平均绝对百分比误差均值为6.79％,重过载预警的准确率均值超过90％.